Как обновить параметры модели с накопленными градиентами?

Ответ 1

Я нашел решение здесь: https://github.com/tensorflow/tensorflow/issues/3994#event-766328647

opt = tf.train.AdamOptimizer()
tvs = tf.trainable_variables()
accum_vars = [tf.Variable(tf.zeros_like(tv.initialized_value()), trainable=False) for tv in tvs]                                        
zero_ops = [tv.assign(tf.zeros_like(tv)) for tv in accum_vars]
gvs = opt.compute_gradients(rmse, tvs)
accum_ops = [accum_vars[i].assign_add(gv[0]) for i, gv in enumerate(gvs)]
train_step = opt.apply_gradients([(accum_vars[i], gv[1]) for i, gv in enumerate(gvs)])

В цикле обучения:

while True:
    sess.run(zero_ops)
    for i in xrange(n_minibatches):
        sess.run(accum_ops, feed_dict=dict(X: Xs[i], y: ys[i]))
    sess.run(train_step)

Но этот код кажется не очень чистым и красивым, кто-нибудь знает, как оптимизировать этот код?

Ответ 2

У меня была такая же проблема, и я только что понял.

Сначала получите символические градиенты, затем определите накопленные градиенты как переменные. (Похоже, что tf.global_variables_initializer() необходимо запустить до определения grads_accum. В противном случае я получил ошибки, не знаю почему.)

tvars = tf.trainable_variables()
optimizer = tf.train.GradientDescentOptimizer(lr)
grads = tf.gradients(cost, tvars)

# initialize
tf.local_variables_initializer().run()
tf.global_variables_initializer().run()

grads_accum = [tf.Variable(tf.zeros_like(v)) for v in grads] 
update_op = optimizer.apply_gradients(zip(grads_accum, tvars)) 

В процессе обучения вы можете накапливать градиенты (сохраненные в gradients_accum) в каждом пакете и обновлять модель после запуска 64-го пакета:

feed_dict = dict()
for i, _grads in enumerate(gradients_accum):
    feed_dict[grads_accum[i]] = _grads
sess.run(fetches=[update_op], feed_dict=feed_dict) 

Вы можете обратиться к tenorflow/tenorflow/python/training/optimizer_test.py для примера использования, в частности, этой функции: testGradientsAsVariables().

Надеюсь, поможет.

Ответ 3

Предыдущие решения не рассчитывают среднее значение накопленных градиентов, что может привести к нестабильности в обучении. Я изменил приведенный выше код, который должен решить эту проблему.

# Fetch a list of our network trainable parameters.
trainable_vars = tf.trainable_variables()

# Create variables to store accumulated gradients
accumulators = [
    tf.Variable(
        tf.zeros_like(tv.initialized_value()),
        trainable=False
    ) for tv in trainable_vars
]

# Create a variable for counting the number of accumulations
accumulation_counter = tf.Variable(0.0, trainable=False)

# Compute gradients; grad_pairs contains (gradient, variable) pairs
grad_pairs = optimizer.compute_gradients(loss, trainable_vars)

# Create operations which add a variable gradient to its accumulator.
accumulate_ops = [
    accumulator.assign_add(
        grad
    ) for (accumulator, (grad, var)) in zip(accumulators, grad_pairs)
]

# The final accumulation operation is to increment the counter
accumulate_ops.append(accumulation_counter.assign_add(1.0))

# Update trainable variables by applying the accumulated gradients
# divided by the counter. Note: apply_gradients takes in a list of 
# (grad, var) pairs
train_step = optimizer.apply_gradients(
    [(accumulator / accumulation_counter, var) \
        for (accumulator, (grad, var)) in zip(accumulators, grad_pairs)]
)

# Accumulators must be zeroed once the accumulated gradient is applied.
zero_ops = [
    accumulator.assign(
        tf.zeros_like(tv)
    ) for (accumulator, tv) in zip(accumulators, trainable_vars)
]

# Add one last op for zeroing the counter
zero_ops.append(accumulation_counter.assign(0.0))

Этот код используется так же, как и @weixsong.

Ответ 4

Метод, который вы опубликовали, похоже, потерпит неудачу, если я не передам feed_dict снова в sess.run(train_step). Я не знаю, зачем требовать feed_dict, но возможно, что снова запустят все добавления аккумулятора с повторением последнего примера. Вот что я должен был сделать в моем случае:

            self.session.run(zero_ops)
            for i in range(0, mini_batch):

                self.session.run(accum_ops, feed_dict={self.ph_X: imgs_feed[np.newaxis, i, :, :, :], self.ph_Y: flow_labels[np.newaxis, i, :, :, :], self.keep_prob: self.dropout})

            self.session.run(norm_acums, feed_dict={self.ph_X: imgs_feed[np.newaxis, i, :, :, :], self.ph_Y: flow_labels[np.newaxis, i, :, :, :], self.keep_prob: self.dropout})
            self.session.run(train_op, feed_dict={self.ph_X: imgs_feed[np.newaxis, i, :, :, :], self.ph_Y: flow_labels[np.newaxis, i, :, :, :], self.keep_prob: self.dropout})

И для нормализации градиента я понимаю, что это только разделить накопленный градиент на размер пакета, поэтому я только добавляю новый оператор

norm_accums = [accum_op/float(batchsize) for accum_op in accum_ops]

У кого-то была такая же проблема feed_dict?

* ОБНОВЛЕНИЕ Как я предположил, что это неправильно, он снова запускает весь граф с последним примером в пакете. Этот маленький тест кода, который

import numpy as np
import tensorflow as tf
ph = tf.placeholder(dtype=tf.float32, shape=[])
var_accum = tf.get_variable("acum", shape=[], 
initializer=tf.zeros_initializer())
acum = tf.assign_add(var_accum, ph)
divide = acum/5.0
init = tf.global_variables_initializer()
    with tf.Session() as sess:
    sess.run(init)
    for i in range(5):
         sess.run(acum, feed_dict={ph: 2.0})

c = sess.run([divide], feed_dict={ph: 2.0})
#10/5 = 2
print(c)
#but it gives 2.4, that is 12/5, so sums one more time

Я разобрался, как это решить. Итак, тензор потока имеет условные операции. Я кладу накопление в одну ветку и последнее накопление с нормализацией и обновлением в другую ветку. Мой код беспорядок, но для быстрой проверки я говорю, что я приведу небольшой код в качестве примера использования.

import numpy as np
import tensorflow as tf

ph = tf.placeholder(dtype=tf.float32, shape=[])
#placeholder for conditional braching in the graph
condph = tf.placeholder(dtype=tf.bool, shape=[])

var_accum = tf.get_variable("acum", shape=[], initializer=tf.zeros_initializer())

accum_op = tf.assign_add(var_accum, ph)

#function when condition of condph is True
def truefn():
   return accum_op
#function when condtion of condph is False
def falsefn():
   div = accum_op/5.0
   return div

#return the conditional operation
cond = tf.cond(condph, truefn, falsefn)

init = tf.global_variables_initializer()

with tf.Session() as sess:
   sess.run(init)
   for i in range(4):
       #run only accumulation
       sess.run(cond, feed_dict={ph: 2.0, condph: True})
   #run acumulation and divition
   c = sess.run(cond, feed_dict={ph: 2.0, condph: False})

print(c)
#now gives 2

* ВАЖНОЕ ПРИМЕЧАНИЕ: забудьте, что все не работает. Оптимизаторы сбрасывают неудачу.

Ответ 5

Вы можете использовать Pytorch вместо Tensorflow, так как он позволяет пользователю накапливать градиенты во время обучения.